作者
摘要
链接预测是复杂网络分析中的一个轴向领域，因为它旨在推断给定网络中节点之间的新连接。该任务的许多应用包括：参考系统、社交网络中朋友的建议以及生物网络中蛋白质之间相互作用的预测。在链路预测任务中，已经开发了几种方法，尤其是基于相似性的方法，由于其复杂度低、性能好而被广泛使用。本文提出了一种新的链路预测方法，将PageRank算法与基于局部信息的方法相结合，以提高性能，同时保留局部方法复杂度低的优点。我们对11个数据集进行了一系列实验研究，将我们的新组合方法与六种著名的局部方法进行了比较。所得结果表明，几乎所有数据集的性能都有显著提高。除此之外，为了证实所提方法的优越性，还进行了另一项比较研究，由九种局部和全局方法组成。实验结果表明，我们的方法在线性复杂度方面优于所有其他比较方法。
建议引用
穆拉德·查里基，2024年。"复杂网络中PageRank算法与基于相似性的链接预测方法的关联,"物理学A：统计力学及其应用爱思唯尔，第637（C）卷。手柄：RePEc:eee:phsmap:v:637:y:2024:i:c:s0378437124000608
DOI:10.1016/j.physa.2024.129552
从出版商下载全文
由于此文档的访问受到限制，您可能希望搜索换一个不同的版本。
更正
本网站上的所有材料均由各自的出版商和作者提供。您可以帮助纠正错误和遗漏。请求更正时，请提及此项目的句柄：RePEc:eee:phsmap:v:637:y:2024:i:c:s0378437124000608。请参阅一般信息关于如何在RePEc中更正材料。
如果您编写了此项目，但尚未在RePEc注册，我们鼓励您这样做在这里。这允许将您的个人资料链接到此项目。它还允许您接受我们不确定的该项目的潜在引用。
我们没有这个项目的参考书目。您可以使用这个表格.
如果你知道引用这一条的缺失条目，你可以通过以与上述相同的方式为每个引用条目添加相关引用来帮助我们创建这些链接。如果您是此项目的注册作者，您可能还需要检查您的RePEc作者服务个人资料，因为可能有一些引文等待确认。
有关此项目的技术问题，或更正其作者、标题、摘要、书目或下载信息，请联系：Catherine Liu（电子邮件如下）。供应商的一般联系方式：http://www.journals.elsevier.com/physica-a-statistical-mechapplications网站/.
请注意，更正可能需要几周时间才能筛选出来各种RePEc服务。
